儲鑫　李祥　羅斌　王曉冬　黃碩

摘要：為快速準確識別自然環(huán)境下的番茄葉片病害，提出一種基于改進YOLOv4算法的輕量化番茄葉部病害識別方法。該方法根據(jù)番茄病害特征采用K均值聚類算法調(diào)整先驗框的維度，并使用寬度因子為0.25的MobileNetv1代替YOLOv4原有的主干網(wǎng)絡CSPDarknet53進行特征提取，并在特征融合網(wǎng)絡PANet中引入深度可分離卷積代替原有的3×3標準卷積，同時在主干網(wǎng)絡的2個輸出特征層和空間金字塔池化輸出層分別嵌入卷積塊注意力模塊（CBAM），提高模型識別精度。試驗結(jié)果表明，改進后的模型對8類番茄葉片整體檢測精準性（mAP）為98.76%，參數(shù)量為12.64 M，傳輸幀數(shù)為1 s 101.76幀，相較于原YOLOv4模型，模型參數(shù)量減少80%，每秒傳輸幀數(shù)比原始YOLOv4模型提高了130%。

關鍵詞：YOLOv4；MobileNet；輕量化；注意力機制；病害

中圖分類號：S436.412文獻標識碼：A文章編號：1000-4440（2023）05-1199-10

Identification method of tomato leaf diseases based on improved YOLOv４ algorithmCHU Xin LI Xiang LUO Bin WANG Xiao-dong HUANG Shuo

（1.College of Information Engineering， East China University of Technology， Nanchang 330013， China;2.National Engineering Technology Research Center for Agricultural Informatization， Beijing 100097， China；3.Research Center of Intelligent Equipment Technology， Beijing Academy of Agriculture and Forestry， Beijing 100097， China）

Abstract：In order to identify tomato leaf diseases in natural environment quickly and accurately， a lightweight tomato leaf disease identification method based on improved YOLOv4 algorithm was proposed. The method used K-means clustering algorithm to adjust the dimensions of the prior box according to the characteristics of tomato disease， and used MobileNetv1 with a width factor of 0.25 instead of the original backbone network CSPDarknet53 of YOLOv4 for feature extraction， and introduced deep separable convolution in place of the original 3×3 standard convolution in the feature fusion network PANet. At the same time， the convolutional block attention module （CBAM） was embedded in the two output feature layers and the spatial pyramid pooling output layer of the backbone network to improve the model recognition accuracy. The results showed that， the overall detection accuracy （mAP） of the improved model for eight types of tomato leaves was 98.76%， the parameter quantity was 12.64 M， and the transmission frame number was 101.76 f/s， which was 80% lower than that of the original YOLOv4 model， and the number of transmitted frames per second was 130% higher than that of the original YOLOv4 model.

Key words：YOLOv4；MobileNet；light weight；attentional mechanism；diseases

番茄是重要的經(jīng)濟作物之一，其營養(yǎng)價值和經(jīng)濟價值非常高。隨著番茄植株的生長，大多數(shù)番茄葉部病害的發(fā)生也呈上升趨勢[1]。因此，及時防治番茄葉部病害是提高番茄質(zhì)量和產(chǎn)量的關鍵舉措，而精準識別番茄葉部病害種類是番茄病蟲害精準防控的前提?，F(xiàn)階段，中國大部分地區(qū)主要還是依賴人工排查番茄葉部病害，這不僅耗時耗力，而且僅僅通過肉眼分辨葉部病害種類，難免產(chǎn)生錯誤，從而不利于病害的及時防治[2]。對此，需要研究高效率、低成本的病害圖像智能識別算法，為番茄葉部病害精準識別提供技術支撐。

隨著深度學習的不斷發(fā)展和其在農(nóng)業(yè)方面越來越多的應用[3]，有學者針對作物葉片病害檢測識別進行了深入研究。劉文波等[4]將改進后的SOLOv2算法應用于番茄葉部病害檢測，平均精度達42.3%，與其他文獻的模型相比，精度不太理想。文斌等[5]在YOLOv3的基礎上采用注意力特征金字塔和雙瓶頸層構(gòu)建新的網(wǎng)絡，實現(xiàn)對三七葉片病害的識別，但檢測速度僅為23 fps。Hu等[6]提出將多卷積神經(jīng)網(wǎng)絡集成用于茶樹葉部病害的識別，結(jié)果顯示，該算法可以有效區(qū)分病葉與健康葉，但檢測類別較少。Qi 等[7]在YOLOv5模型中增加了1個擠壓-激發(fā)（ SE ）模塊，構(gòu)建新的模型，實現(xiàn)對番茄病害的識別，平均檢測精度為91.07%，但模型參數(shù)量較大，高達42.796 M。劉延鑫等[8]構(gòu)建5種煙草葉部病害數(shù)據(jù)集，選用YOLOv3模型對煙草葉部病害進行識別檢測，采用K-means++聚類方法對錨框（Anchor box）的寬和高進行計算，提高了模型檢測精度，得到整體檢測精準性（mAP）為0.77，算法結(jié)果優(yōu)于SSD（單步多框目標檢測）算法檢測的mAP值（0.69），但模型單樣本耗時比SSD算法多2 s。王超學等[9]分別以一張葡萄葉片和一串葡萄果實為單位做標注，將YOLOv3算法中的主干網(wǎng)絡DarkNet-53替換為EfficientNet-B3作為模型的主干特征提取網(wǎng)絡，對12種葡萄病害、健康葡萄葉片和健康葡萄果實進行識別，識別精度為98.60%，B3網(wǎng)絡結(jié)構(gòu)模型與其他以EfficientNet作為主干特征提取網(wǎng)絡的模型訓練時間和模型體積相近，且相對于YOLOv3網(wǎng)絡模型，參數(shù)量縮減50%，模型體積縮減2/3的同時，模型平均識別精度提升3%，最終參數(shù)量仍然較大，約為29 M。周維等[10]利用GhostNet網(wǎng)絡代替YOLOv4中主干網(wǎng)絡CSPDarkNet-53，并以深度可分離卷積代替普通卷積的方式改進路徑聚合網(wǎng)絡（PANet），對網(wǎng)上獲取的6種水稻病蟲害數(shù)據(jù)集進行檢測識別，識別準確率為79.36%。王權(quán)順等[11]利用PlantVillage中蘋果葉部黑星病圖片與網(wǎng)上另外3種蘋果葉部病害圖片構(gòu)建數(shù)據(jù)集，通過將YOLOv4中主干網(wǎng)絡CSPdarknet53替換為DenseNet121網(wǎng)絡，在保證特征提取能力的同時減少計算量，針對YOLOv4的預設錨框不適合應用于病斑檢測的情況，采用二分K均值聚類算法得到一組新的錨框優(yōu)化算法，相較于原YOLOv4算法mAP值提高0.89%，模型權(quán)重大小為62.71 MB，相較于其他文獻報道，該算法識別病害種類較少，僅有4種。

考慮到上述國內(nèi)外學者對作物葉片病害檢測識別的研究中存在的一些問題，例如，精確度低、檢測速度慢、模型參數(shù)大等，本研究針對番茄葉片多類病害病斑差別較小、病斑形狀復雜且無規(guī)律、檢測識別方法的檢測速率低和模型參數(shù)大等問題，提出一種改進的YOLOv4輕量化番茄葉部病害識別方法，使用K均值聚類算法得到9個新的先驗框，同時利用遷移學習，將預訓練YOLOv4算法得到的最優(yōu)參數(shù)與在COCO數(shù)據(jù)集訓練得到的MobileNetv1權(quán)重進行融合，并對主干網(wǎng)絡、路徑聚合網(wǎng)絡進行改進，達到降低模型參數(shù)和減小計算量的目的。在主干網(wǎng)絡的2個輸出特征層和空間金字塔池化輸出層分別嵌入坐標注意力機制CBAM（卷積塊注意力模塊），以此避免改進網(wǎng)絡后減少模型參數(shù)帶來的精度損失。

1YOLOv4模型改進

1.1YOLOv4模型

YOLOv4[12-13]作為YOLO系列第4代單階段目標檢測算法，相較于YOLOv3算法，其在檢測精度與檢測速度方面均有較大的提升。YOLOv4模型主要包括4個方面：輸入端、主干網(wǎng)絡（Backbone）、頸部網(wǎng)絡（Neck）以及頭部網(wǎng)絡（Head）。YOLOv4在輸入端采用Mosaic數(shù)據(jù)增強[14]，豐富了數(shù)據(jù)的多樣性，提高了模型的泛化能力。主干網(wǎng)絡在DarkNet53的基礎上融合了跨階段局部網(wǎng)絡的思想，形成特征提取效果更強的CSPDarkNet53結(jié)構(gòu)。CSPDarkNet53主干網(wǎng)絡主要由5層殘差網(wǎng)絡Resblock_Body組成，同時通過下采樣輸出3個有效特征層，以此保證提取更完備的圖像語義信息。頸部網(wǎng)絡主要由空間金字塔池化（Space pyramid pool，SPP）[15]和PANet[16]組成，空間金字塔池化通過5個大小為5×5、9×9和13×13的最大池化層來融合尺度大小不同的特征圖，起到增加感受野的作用。路徑聚合網(wǎng)絡可以提高信息流在網(wǎng)絡中的傳遞效率[17]，其對特征圖進行上采樣與下采樣，借此融合網(wǎng)絡提取到的特征信息。最后YOLOv4生成3個檢測頭用于檢測目標[18]。YOLOv4網(wǎng)絡結(jié)構(gòu)如圖1所示。為提高模型檢測效率，降低模型參數(shù)量，本研究提出一種改進的YOLOv4算法的番茄葉部病害識別方法。

1.2改進YOLOv4模型

1.2.1運用遷移學習在原先的YOLOv4模型中，輸入圖片尺寸大小為416×416，凍結(jié)層與非凍結(jié)層批次大?。˙atch size）均為16，模型檢測番茄葉片的mAP為98.16%。由于本研究采用的番茄葉部病害數(shù)據(jù)集尺寸大小為256×256，因此，在模型輸入端將尺寸改為256×256，并將凍結(jié)層與非凍結(jié)層batch size均改為8，最終得到模型檢測番茄葉片的mAP為98.58%。因此，在下文其他模型訓練時均采用上述參數(shù)進行訓練。由于COCO數(shù)據(jù)集包含的數(shù)據(jù)特征豐富，因此，本研究用到的所有模型的訓練權(quán)重均為對應模型在COCO數(shù)據(jù)集訓練所得，利用這些訓練權(quán)重有利于得到更高精度的結(jié)果。由此可見，運用遷移學習有利于檢測精度的提升，遷移學習改進后參數(shù)量由64.36 M降低為63.79 M，圖2為參數(shù)改進前后mAP的對比。

1.2.2使用MobileNetv1為主干網(wǎng)絡MobileNetv1是2017年由谷歌公司提出的一種輕量化深層神經(jīng)網(wǎng)絡，與傳統(tǒng)的卷積神經(jīng)網(wǎng)絡模型相比，該模型需要的計算工作量相對較少[19]，主要是用于嵌入各類硬件和軟件設備，其最大優(yōu)勢是提出了深度可分離卷積（Depthwise separable convolution），并且MobileNetv1采用ReLU6代替ReLU作為激活函數(shù)。圖3為普通卷積和深度可分離卷積結(jié)構(gòu)的對比。采用多個ReLU6激活函數(shù)，可以在減少計算量的同時避免帶來精度損失。

為了使模型參數(shù)量更小，檢測速度更快，MobileNetv1在輸入通道上引入可以使每一層網(wǎng)絡均勻細化的寬度因子（a），其取值為0.25、0.50、0.75、1.00。當a取1.00時，代表原始的網(wǎng)絡，只有當a<1.00時，才有細化網(wǎng)絡層的功能。本研究選取a為0.25的MobileNetv1網(wǎng)絡作為主干網(wǎng)絡對YOLOv4模型進一步壓縮，在只給精度僅帶來0.01%的損失的同時減少了23.23 M參數(shù)量，因此，選取a為0.25的MobileNetv1網(wǎng)絡代替YOLOv4的主干網(wǎng)絡CSPDarkNet-53，大大地減少了模型參數(shù)量且?guī)缀醪粠碜R別精度的損失。

1.2.3改進PANet深度可分離卷積的核心思想是將普通卷積運算分為逐深度卷積（Depthwise convolution）與逐點1×1卷積（Pointwise convolution）2步進行[20]。逐深度卷積不同于普通卷積的是1個通道由1個卷積核負責，每個通道獨立進行空間卷積運算。不同深度卷積的輸出由逐點1×1卷積重新組合輸出，從而得到新的特征圖。圖 4A為普通卷積運算，圖4B為逐深度卷積運算，圖4C為逐點卷積運算。

1.2.4改進Anchor boxYOLOv4是一種根據(jù)錨框?qū)δ繕宋矬w進行預測回歸的算法，其原先Anchor box是根據(jù)COCO數(shù)據(jù)集訓練得到的固定數(shù)值。而本研究的對象是COCO數(shù)據(jù)集中鮮少出現(xiàn)的番茄葉片病害，并且數(shù)據(jù)集中番茄葉片病害種類繁多，導致數(shù)據(jù)集標注邊界框尺寸相差甚遠。為了使Anchor box更接近數(shù)據(jù)集標注尺寸，本研究采用K均值聚類算法對本研究數(shù)據(jù)集的Anchor box進行聚類分析，得到合適的錨框尺寸。K均值聚類算法具有計算復雜度低、收斂速度快和可解釋性強等特點。根據(jù)K均值聚類算法隨機初始化得到9個中心點，計算每個坐標到中心點的歐式距離，將每個樣本分配給離它最近的中心點，不斷重復此步驟直到9個中心點不再移動，從而得到9個新的Anchor box，分別為（132，198）、（162，222）、（182，200）、（186，234）、（203，224）、（226，212）、（209，240）、（223，237）、（237，242），將新的Anchor box運用到算法中，并采用mAP值和GFLOPs值（每秒浮點運算次數(shù)）作為優(yōu)化前后的評價指標。最終結(jié)果表明，優(yōu)化后的mAP值增長了0.02%，GFLOPs值也比優(yōu)化前高出1.36 G。圖5是K均值聚類分布。

1.2.5添加CBAM注意力機制CBAM模塊是一種在通道和空間2個維度上對特征圖像進行權(quán)重分配，從而提取到更有用的特征信息的模塊。特征圖像首先進入通道注意力模塊，通過平均池化和最大池化得到各個通道的信息，并將得到的參數(shù)通過多層感知進行疊加，再經(jīng)過激活函數(shù)處理，從而得到通道注意力特征圖[21]?？臻g注意力模塊主要關注空間層面上特征圖的內(nèi)在聯(lián)系，將通道注意力模塊的輸出作為空間注意力模塊的輸入，經(jīng)過卷積和激活操作后獲得空間注意力模塊的特征圖[22]。

為提取到番茄病害更豐富的有效特征信息，本研究在YOLOv4改進后的主干特征提取網(wǎng)絡MobileNetv1的2個輸出特征層以及加強特征提取網(wǎng)絡SPP的輸出特征層上添加CBAM模塊，以CBAM模塊輸出的有效特征圖作為PANet的輸入，傳入PANet結(jié)構(gòu)中進行卷積和上采樣，最終提取到包含更多關鍵信息的特征圖。改進后YOLOv4的網(wǎng)絡結(jié)構(gòu)如圖6所示。

2結(jié)果與分析

為驗證本研究算法在多類番茄病害識別與分類方面的性能，首先構(gòu)建數(shù)據(jù)集，然后分別對YOLOv4不同主干網(wǎng)絡和在主干網(wǎng)絡輸出層加入的不同注意力機制模塊進行訓練，并選取經(jīng)典的單階段目標檢測算法與本研究改進的YOLOv4算法進行對比。試驗的硬件配置為Intel Core^TMi7-10700K處理器和NVIDIA GeForce RTX 3060顯卡。操作系統(tǒng)是Ubuntu 20.04.2 LTS 64位系統(tǒng)。Python的版本為3.8.5，Pytorch的版本為1.8.1。在訓練過程中，首先對輸入的圖片進行Mosaic（馬賽克）數(shù)據(jù)增強，并使用余弦退火算法對學習率進行調(diào)整， 每輪共設置300次迭代，凍結(jié)層和非凍結(jié)層batch size設置為8。

2.1數(shù)據(jù)集的構(gòu)建

本研究所用數(shù)據(jù)集選自Plant Village公開數(shù)據(jù)集中的番茄葉片集，其中包括細菌性斑點病、葉霉病、晚疫病、葉斑病、二斑葉螨病、黃曲葉病、早疫病葉片以及健康葉片，共8個類別。由于樣本分布不均勻會影響模型訓練結(jié)果，因此，每個類別的葉片選取相同的數(shù)量，均為1 250張。數(shù)據(jù)集中早疫病圖片僅有1 000張，通過編寫程序?qū)⑵渲?50張圖片旋轉(zhuǎn)270°后與原有圖像整合，使其與其他類別圖像達到相同數(shù)量，最終得到所有數(shù)據(jù)集10 000張，數(shù)據(jù)集如圖7所示。使用Make Sense工具對上述10 000張番茄葉片病害圖像進行標注，標注時利用最小外接矩形框標記出葉片位置并選擇對應的類別標簽。標注完成后，每張圖片會產(chǎn)生1個對應的包含病害類別標簽和矩形框坐標信息的txt文件，圖8為數(shù)據(jù)集標注示例。通過編寫隨機抽樣的程序，從10 000張圖片中隨機選擇8 001張作為訓練集，隨機選擇999張圖片作為驗證集，隨機選擇1 000張圖片作為測試集。

2.2評價指標

為了評估算法的性能優(yōu)劣，本研究以對所有類別的番茄葉片整體檢測精準性（mAP）、 每秒所執(zhí)行的浮點運算次數(shù)、每秒幀數(shù)（FPS）、平均每張圖片檢測時間以及模型參數(shù)量作為評價模型大小、檢測速度和精度的指標。mAP由所有類別的平均精度（AP）取平均值得到，AP是精確度（P）和召回率（R）組成的曲線的面積。P、R的計算方法分別見公式（5）、公式（6），mAP的計算公式如公式（7）所示。GFLOPs用于衡量模型的計算量，其值越大，表明模型計算速度越高。FPS用于衡量模型的實時性能，其值越大，表明模型實時檢測的性能越好。

2.3不同主干網(wǎng)絡的性能比較

針對YOLOv4參數(shù)量多和網(wǎng)絡結(jié)構(gòu)復雜等問題，分別選取不同的輕量化主干網(wǎng)絡代替原來的CSPDarknet網(wǎng)絡，對8 001張訓練集進行訓練后，得到相應權(quán)重再分別檢測驗證集和測試集。為驗證MobileNetv1輕量化網(wǎng)絡檢測番茄病害的優(yōu)越性，選取的網(wǎng)絡分別是MobileNetv2、MobileNetv3以及CSPDarknet，預測結(jié)果如表1所示。

由表1可以看出，MobileNetv2和MobileNetv3雖然檢測時間優(yōu)于原YOLOv4模型，但識別精度（整體檢測精準性）卻低于原YOLOv4模型。MobileNetv1不僅比其他輕量化網(wǎng)絡識別模型的整體檢測精準性高，檢測速度也具有較大的優(yōu)勢，檢測每張圖片平均僅需9 ms，比原YOLOv4模型快了13 ms，滿足實時檢測的條件。

2.4不同注意力機制的比較

為驗證本研究在主干網(wǎng)絡2個輸出層和SPP結(jié)構(gòu)的輸出層添加CBAM模塊的有效性，本研究設計了在同等條件下添加不同注意力模塊的對比試驗，結(jié)果如表2所示。由表2可以看出，在設定參數(shù)以及其他改進均相同的情況下，添加CBAM模塊比添加CA模塊和ECA模塊的平均檢測精度都具有優(yōu)勢，并且沒有帶來檢測速度方面的損失。原因可能是CBAM模塊屬于輕量級模塊，其插入網(wǎng)絡層后并不會給網(wǎng)絡帶來運行負擔，并且相較于ECA模塊與CA模塊只關注通道注意力，CBAM模塊可以在關注通道注意力的同時又關注空間注意力，而空間注意力對圖像中的有效語義信息更為敏感，因此，添加CBAM模塊使得空間注意力與通道注意力相輔相成，從而有效地提高網(wǎng)絡的特征提取能力。

2.5消融試驗

為驗證本研究提出的每個改進對試驗結(jié)果的積極影響，本研究設計了消融對比試驗，試驗內(nèi)容包括運用遷移學習，以MobileNetv1為主干網(wǎng)絡，改進PANet，采用K均值聚類Anchor box和添加CBAM模塊，試驗結(jié)果如表3所示。由表3可知，采用參數(shù)遷移學習后，番茄病害平均檢測精度有所提高，而在采用MobileNetv1替換主干網(wǎng)絡后，模型參數(shù)量減少了23.23 M，在此基礎上，進一步對PANet進行改進，使得模型參數(shù)量大幅度減少了28.26 M。由此可以看出，對YOLOv4算法主干網(wǎng)絡和路徑聚合網(wǎng)絡的改進，有效地減少了模型參數(shù)量。并且在網(wǎng)絡中添加CBAM模塊后，使得mAP有所提升的同時參數(shù)量僅有微小提升。因此，改進后的YOLOv4算法在保障精度有所提升的前提下，大大提高了模型檢測病害的速度。

2.6與其他單階段目標檢測算法比較

當前的目標檢測算法分為2類，一類是以Faster R-CNN[23]為代表的Two-stage檢測算法，Two-stage檢測算法識別精度較高，但對檢測速度有所限制，顯然不適用于實時檢測場景。另一類是One-stage檢測算法，這類算法直接使用網(wǎng)絡檢測目標邊界框和類概率分數(shù)，檢測速度高，識別準確率較高，適用于農(nóng)業(yè)病害實時檢測場景。因此，本研究選擇對以SSD[24]和YOLO為代表的One-stage目標檢測算法與改進的YOLOv4輕量化算法進行對比，表4為不同單階段算法對比。由表4可以看出，本研究提出的算法平均每張圖片檢測速度分別比SSD和RetinaNet算法快6 ms和5 ms，mAP比SSD和RetinaNet算法高。本研究提出的算法模型參數(shù)量更是遠遠小于SSD、RetinaNet以及原YOLOv4模型，分別比SSD、RetinaNet以及原YOLOv4模型小9.64 M、9.77 M和51.33 M。因此，本研究提出的算法在不影響識別精度的前提下大大減少了模型大小，更適合在嵌入式系統(tǒng)上部署。

為驗證改進后的YOLOv4算法是否可以較好地應用于自然場景，選擇現(xiàn)實場景里番茄相對感染較多的4種病害，分別是早疫病、晚疫病、細菌性斑點病和黃曲葉病，使用改進后的YOLOv4算法對4種病害進行檢測識別。圖9為使用改進后的YOLOv4算法對病害識別的結(jié)果，可以看出該算法可以準確識別自然環(huán)境下的番茄葉部病害。

3結(jié)論

針對不同種類番茄葉片病害誤檢率高、實時檢測速度低等問題［25-26］，本研究提出一種改進的YOLOv4輕量化檢測算法，應用于8種番茄病害識別，改進后的模型在平均識別精確度、檢測速度以及參數(shù)內(nèi)存大小方面均取得了良好的效果。將YOLOv4的主干網(wǎng)絡CSPDarkNet替換成輕量化的MobileNetv1網(wǎng)絡，并采用深度可分離卷積取代PANet加強特征提取網(wǎng)絡中的3×3普通卷積，使得模型的計算量得到進一步壓縮。通過有效調(diào)整YOLOv4原始模型參數(shù)，結(jié)合遷移學習策略，將MobileNetv1在COCO數(shù)據(jù)集上訓練的權(quán)重運用到改進的YOLOv4模型，并在主干網(wǎng)絡的2個輸出特征層和空間金字塔池化輸出層分別嵌入坐標注意力機制，以此避免減小模型參數(shù)帶來精度損失。應用K均值聚類算法對Anchor box進行重新優(yōu)化，得到新的Anchor box值，取代原始YOLOv4的盲目搜索方法，從而提升了模型檢測能力。本研究提出的模型傳輸幀數(shù)為101.76 f/s，比原始YOLOv4模型提高了130%，而模型參數(shù)量僅為12.64 M，比原YOLOv4模型參數(shù)量減少了80%，在1 000張測試集圖片上整體檢測精準性為98.76%，比原始YOLOv4模型提高了0.6個百分點，平均每張病害圖片檢測時間為9 ms。因此，改進后的輕量化YOLOv4模型實時檢測性能更好，精確度更高并且更適合在硬件上部署。下一步的研究重點是將本研究算法應用到各種復雜的自然場景，將深度學習應用到更廣泛的農(nóng)業(yè)工程中。

參考文獻：

[1]WANG X W，LIU J， ZHU X N. Early real-time detection algorithm of tomato diseases and pests in the natural environment[J]. Plant Methods，2021，17（1）：1-17.

[2]XU C，DING J Q，QIAO Y，et al. Tomato disease and pest diagnosis method based on the Stacking of prescription data[J]. Computers and Electronics in Agriculture，2022，197：106997.

[3]呂盛坪，李燈輝，冼榮亨. 深度學習在我國農(nóng)業(yè)中的應用研究現(xiàn)狀[J].計算機工程與應用，2019，55（20）：24-33，51.

[4]劉文波，葉濤，李頎. 基于改進SOLO v2的番茄葉部病害檢測方法[J].農(nóng)業(yè)機械學報，2021，52（8）：213-220.

[5]文斌，曹仁軒，楊啟良，等. 改進YOLOv3算法檢測三七葉片病害[J].農(nóng)業(yè)工程學報，2022，38（3）：164-172.

[6]HU G S，YANG X W，ZHANG Y，et al. Identification of tea leaf diseases by using an improved deep convolutional neural network[J]. Sustainable Computing： Informatics and Systems，2019，24： 100353.

[7]QI J T，LIU X N，LIU K，et al. An improved YOLOv5 model based on visual attention mechanism： application to recognition of tomato virus disease[J]. Computers and Electronics in Agriculture，2022，194：106780.

[8]劉延鑫，王俊峰，杜傳印，等. 基于YOLOv3的多類煙草葉部病害檢測研究[J].中國煙草科學，2022，43（2）：94-100.

[9]王超學，祁昕，馬罡，等. 基于YOLOv3的葡萄病害人工智能識別系統(tǒng)[J].植物保護，2022，48（6）：278-288.

[10]周維，牛永真，王亞煒，等. 基于改進的YOLOv4-GhostNet水稻病蟲害識別方法[J].江蘇農(nóng)業(yè)學報，2022，38（3）：685-695.

[11]王權(quán)順，呂蕾，黃德豐，等. 基于改進YOLOv4算法的蘋果葉部病害缺陷檢測研究[J].中國農(nóng)機化學報，2022，43（11）：182-187.

[12]REDMON J，DIVVALA S，GIRSHICK R，et al. You only look once：unified，real-time object detection[C].LasVegas：IEEE Computer Society，2016.

[13]BOCHKOVSKIY A，WANG C Y ，LIAO H Y. YOLOv4：optimal speed and accuracy of object detection[J/OL].arXiv，2020.

[14]胡文駿，楊莉瓊，肖宇峰，等.識別安全帽佩戴的輕量化網(wǎng)絡模型[J/OL].計算機工程與應用：1-9.[2023-03-15].http：//kns.cnki.net/kcms/detail/11.2127.TP.20220524.1106.011.html.

[15]HE K ，ZHANG X ， REN S ，et al. Spatial pyramid pooling in deep convolutional networks for visual recognition[J]. IEEE transactions on pattern analysis and machine intelligence， 2015， 37（9）：1904-1916.

[16]LIU S， QI L， QIN H F， et al. Path aggregation network for instance segmentation[C]. Salt Lake City，UT，USA：IEEE Press， 2018： 8759-8768.

[17]陳道懷，汪杭軍. 基于改進YOLOv4的林業(yè)害蟲檢測[J].浙江農(nóng)業(yè)學報，2022，34（6）：1306-1315.

[18]裴瑞景，王碩，王華英. 基于改進YOLOv4算法的水果識別檢測研究[J/OL].激光技術：1-11[2023-03-15].http：//kns.cnki.net/kcms/detail/51.1125.TN.20220518.1135.004.html.

[19]SRINIVASU P N，SIVASAI J G，IJAZ M F，et al. Classification of skin disease using deep learning neural networks with MobileNet V2 and LSTM[J]. Sensors，2021，21（8）：2852.

[20]WANG H T，LU F Y，TONG X，et al. A model for detecting safety hazards in key electrical sites based on hybrid attention mechanisms and lightweight Mobilenet[J]. Energy Reports，2021，7（S7）：716-724.

[21]郝帥，張旭，馬旭，等. 基于CBAM-YOLOv5的煤礦輸送帶異物檢測[J].煤炭學報，2022，47（11）：4149-4158.

[22]姚齊水，別帥帥，余江鴻. 一種結(jié)合改進Inception V2模塊和CBAM的軸承故障診斷方法[J].振動工程學報，2022，35（4）：949-957.

[23]REN S Q，HE K M，GIRSHICK R， et al. FasterR-CNN： towards real - time object detection with region proposal networks [J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2017，39（6）：1137-1149.

[24]LIU W， ANGUELOV D， ERHAN D， et al. SSD： single shot multibox detector [M].? Amsterdam，The Netherland：Proceedings of the European Conference on Computer Vision，2016.

[25]胡政，張艷，尚靜，等. 高光譜圖像在農(nóng)作物病害檢測識別中的研究進展[J].江蘇農(nóng)業(yè)科學，2022，50（8）：49-55.

[26]牛學德，高丙朋，南新元，等. 基于改進DenseNet卷積神經(jīng)網(wǎng)絡的番茄葉片病害檢測[J].江蘇農(nóng)業(yè)學報，2022，38（1）：129-134.

（責任編輯：陳海霞）